CN109862625B - 一种基于深度学习的短波测向灵活组网方法 - Google Patents

Abstract

本发明涉及短波组网测向技术领域，公开一种基于深度学习的短波测向灵活组网方法。本发明通过建立针对短波测向样本数据集进行高精度训练的DBN神经网络模型，从历史测向数据中学习电离层传播特性和选站灵活组网行为规律，从而实现对辐射源信号测向选站组网方案的快速、准确预测和推荐，不仅提高短波测向的科学性、智能化水平，而且可以综合利用、动态配置、协同共享测向资源，提升短波测向站灵活组网的测向效能。

Description

一种基于深度学习的短波测向灵活组网方法

技术领域

本发明涉及短波组网测向技术领域，特别涉及一种基于深度学习的短波测向灵活组网方法。

背景技术

短波测向定位是短波信号监测的一种重要手段。目前，短波主要采用AOA(Angleof Arrival)无源测向定位技术，即测向站不主动发射信号，而是使用阵列天线来估计目标辐射源信号的到达方向进行定位。一个AOA测量值可以确定目标辐射源的一个角度方向，如果至少有两次以上不同地点的有效测量，就可以利用多个角度的示向线相交确定出辐射源位置。因此，选择合适的短波测向站组网，实现协同测向、交汇定位来确定信号源的具体坐标非常重要。

目前，短波测向定位主要采用传统的全网测向方式和人工经验选站方式，可能面临以下问题：

1、全网测向方式浪费资源，增加示向质量不好站点的任务负荷，造成测向任务完成率不高和重要信号的漏测失控。

2、短波传播信道复杂时变，当多目标信号并发，测向站数量多、分布广时，人工分配选站耗时费力，缺乏客观科学性，可能会出现测不好、定不准的情况。

因此，需要设计一种科学高效的短波测向站优化选择、灵活组网方法，使得短波测向资源被协同分配与充分利用，提高测向时效和精度。

发明内容

针对上述问题，本发明提供一种基于深度学习的短波测向灵活组网方法，通过建立针对短波测向样本数据集进行高精度训练的DBN神经网络模型，从历史测向数据中学习电离层传播特性和选站灵活组网行为规律，从而实现对辐射源信号测向选站组网方案的快速、准确预测和推荐，不仅提高短波测向的科学性、智能化水平，而且可以综合利用、动态配置、协同共享测向资源，提升短波测向站灵活组网的测向效能。

为了实现上述目的，本发明采用以下技术方案：

一种基于深度学习的短波测向灵活组网方法，包括以下步骤：

步骤1：建立短波测向数据库用于存储短波测向历史数据，所述短波测向历史数据包括测向质量及测向选站组网方案；

步骤2：对短波测向数据库中的短波测向历史数据进行预处理；

步骤3：针对数据预处理之后的短波测向历史数据，为每个目标辐射源信号进行基于贝叶斯神经网络的站点测向质量有效预测；

步骤4：针对预处理之后的短波测向历史数据，为每个目标辐射源信号通过“GDOP+测向质量”优化目标函数进行最优化测向选站组网方案的自动标注，获得短波测向样本数据集；

步骤5：选择深度信念网络DBN，利用短波测向样本数据集进行DBN无监督初始化训练和有监督微调训练，基于模拟退火SA算法，对DBN进行基于信息熵和重构误差的网络结构自适应调整，获得均方根误差及重构误差较低的DBN神经网络模型；

步骤6：对于首发或新频目标辐射源信号，进行与步骤2相同的编码及预处理；

步骤7：将步骤6编码及预处理之后的首发或新频目标辐射源信号进行归一化处理，输入步骤5训练好的DBN神经网络模型，采用深度学习的Softmax多分类处理策略，输出首发或新频目标辐射源信号的测向选站组网方案。

进一步地，所述步骤2具体为：

采用基于模糊数学的数据预处理方法对短波测向数据库中的短波测向历史数据进行预处理。

进一步地，所述“GDOP+测向质量”优化目标函数为：

其中，n为测向站点总数，m为并发目标信号总数；A_n×m为表述组网方案的n行m列0-1决策矩阵；A_n×m中的元素a_ij＝1表示把站点i分配至目标信号j，a_ij＝0表示不分配；GDOP(A_n×m)为在A_n×m决策矩阵下，表示站点几何布局的定位精度几何稀释因子GDOP，数值越低表示站点的几何布局越好。

进一步地，所述步骤5中对DBN进行基于信息熵和重构误差的网络结构自适应调整，包括：

步骤5.1：输入步骤4获得的短波测向样本数据集，构造DBN的首层神经元；

步骤5.2：以上一层的输出作为可视层，根据信息熵计算DBN隐藏层的神经元个数；

步骤5.3：根据可视层、隐藏层神经元数构造新一层限制玻尔兹曼机RBM；

步骤5.4：对RBM进行无监督训练并计算重构误差；

步骤5.5：进行判决，若重构误差大于阈值，表明网络性能低于要求，则以当前的隐藏层作为新RBM的可视层，转至步骤5.2；若重构误差小于等于阈值，表明当前网络性能符合要求，结束流程，得到网络结构自适应调整的DBN神经网络模型。

与现有技术相比，本发明具有的有益效果：

依照本发明的一种基于深度学习的短波测向灵活组网方法，通过基于模糊数学理论和归一化的量化技术，可以使数据集服从均值为0，标准差为1的概率分布，有利于后续进行DBN学习，提高神经网络泛化性能；通过SA优化的基于信息熵和重构误差的DBN结构自适应算法，可以同时决定耦合关联性强的网络深度和节点数，求得性能优秀的网络结构；通过无监督训练对权值阈值进行预调整和有监督训练的误差回传算法对权值进行微调，使得训练的均方根误差低，训练效果越好，网络的拟合性能越出色。本发明能够基于人工智能深度学习技术，实现短波测向的测向站灵活组网，提升短波测向精度和时效。

附图说明

图1为本发明实施例的一种基于深度学习的短波测向灵活组网方法的基本流程图。

图2为本发明实施例的DBN网络结构自适应调整流程图。

图3为本发明又一实施例的一种基于深度学习的短波测向灵活组网方法的基本流程图。

图4为本发明实施例的深度信念网络DBN中的RBM结构示意图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的解释说明：

实施例一：

如图1所示，一种基于深度学习的短波测向灵活组网方法，包括以下步骤：

步骤S101：建立短波测向数据库用于存储短波测向历史数据，所述短波测向历史数据包括测向质量及测向选站组网方案；

步骤S102：对短波测向数据库中的短波测向历史数据进行预处理；

所述步骤S102具体为：

采用基于模糊数学的数据预处理方法对短波测向数据库中的短波测向历史数据进行预处理。

步骤S103：针对数据预处理之后的短波测向历史数据，为每个目标辐射源信号进行基于贝叶斯神经网络的站点测向质量有效预测；

步骤S104：针对预处理之后的短波测向历史数据，为每个目标辐射源信号通过“GDOP+测向质量”优化目标函数进行最优化测向选站组网方案的自动标注，获得短波测向样本数据集；

所述“GDOP+测向质量”优化目标函数为：

其中，n为测向站点总数，m为并发目标信号总数；A_n×m为表述组网方案的n行m列0-1决策矩阵；A_n×m中的元素a_ij＝1表示把站点i分配至目标信号j，a_ij＝0表示不分配；GDOP(A_n×m)为在A_n×m决策矩阵下，表示站点几何布局的定位精度几何稀释因子GDOP，数值越低表示站点的几何布局越好。

步骤S105：选择深度信念网络DBN，利用短波测向样本数据集进行DBN无监督初始化训练和有监督微调训练，基于模拟退火SA算法，对DBN进行基于信息熵和重构误差的网络结构自适应调整，获得均方根误差及重构误差较低的DBN神经网络模型；

所述步骤S105中对DBN进行基于信息熵和重构误差的网络结构自适应调整，包括：

步骤S105.1：输入步骤S104获得的短波测向样本数据集，构造DBN的首层神经元；

步骤S105.2：以上一层的输出作为可视层，根据信息熵计算DBN隐藏层的神经元个数；

步骤S105.3：根据可视层、隐藏层神经元数构造新一层限制玻尔兹曼机RBM；

步骤S105.4：对RBM进行无监督训练并计算重构误差；

步骤S105.5：进行判决，若重构误差大于阈值，表明网络性能低于要求，则以当前的隐藏层作为新RBM的可视层，转至步骤S105.2；若重构误差小于等于阈值，表明当前网络性能符合要求，结束流程，得到网络结构自适应调整的DBN神经网络模型。

步骤S106：对于首发或新频目标辐射源信号，进行与步骤S102相同的编码及预处理；

步骤S107：将步骤S106编码及预处理之后的首发或新频目标辐射源信号进行归一化处理，输入步骤S105训练好的DBN神经网络模型，采用深度学习的Softmax多分类处理策略，输出首发或新频目标辐射源信号的测向选站组网方案。

而正是由于步骤S101至步骤S107，使得本发明具有以下好处：

1)基于贝叶斯神经网络的短波测向质量预测技术，可以解决传统基于电离层建模预测测向质量的复杂度和准确性问题，实现各站点测向质量的快速、有效预测，为测向站点的智能优选、灵活组网提供客观依据；

2)基于“GDOP+测向质量”优化目标函数进行标注，可以解决全站测向浪费资源并造成重要信号“漏测”，不合适选站可能“测不好”的问题，提高多目标测向任务的完成率及测向精度。

3)基于结构自适应的深度信念网络DBN模型，可以解决选择合适的神经网络模型并寻求最优网络结构，对数据样本进行训练、学习，避免过拟合的问题，提高网络的训练精度及收敛性能。

4)本发明可以解决多目标信号并发时人工选站实时性、准确率下降问题，实现短波测向选站组网的智能化，提高短波测向的时效性和科学性。

实施例二：

如图2所示，另一种基于深度学习的短波测向灵活组网方法，包括：

步骤S201：建立短波测向数据库用于存储短波测向历史数据；所述短波测向历史数据由辐射源信号的特征参数、测向时间、测向站、测向质量及测向选站组网方案组成，测向质量通过示向偏差度进行衡量，测向选站组网方案具体指短波侧向选站组合。

步骤S202：对短波测向数据库中的短波测向历史数据进行预处理。

具体地，本发明采用基于模糊数学的预处理方法，设样本特征为K，根据实际需求将K的域Φ划分为N类，分别记为模糊集a₁,a₂....a_N。设K属于a₁,a₂....a_N的可能性分别为e₁,e₂....e_N(称为隶属度函数)，记k为K的量化值，则根据模糊函数映射法则，式(1)成立：

k＝d,if e_d＝max{e_i},i＝1,2...N (1)

显然，特征K的量化值等于最大隶属函数对应的模糊集编号。随后，采用式(2)的零均值方法对量化值进行归一化处理：

其中，k_n为归一值，μ为量化特征数据的均值，σ为特征数据的标准差。该量化方法使数据集服从均值为0，标准差为1的近似高斯概率分布，提高神经网络泛化性能。

步骤S203：针对数据预处理之后的短波测向历史数据，为每个目标辐射源信号进行基于贝叶斯神经网络的站点测向质量有效预测。

信号接收质量常采用信号功率与噪声功率之比作为衡量标准，然而，在短波信道中，首先，噪声并非简单白噪声，混杂了大量干扰，其次，信号在传播过程中受严重衰落而难以复原，此外，电离层状态难以实时探测，信道特性建模困难。因此，本实施例从数据域出发，避开建立短波信道电离层模型的难题，选择“示向偏差度”作为测向质量的衡量指标，采用基于贝叶斯神经网络的数据拟合元模型预测功能，实现各测向站测向质量的快速、有效预测，为短波测向站优选及灵活组网提供客观定量依据，具有较高时效性。

示向偏差度E_θ，是指站点与信号源之间的实际方向角θ跟站点的测量方向角

之间的差值：

步骤S204：针对预处理之后的短波测向历史数据，为每个目标辐射源信号通过“GDOP+测向质量”优化目标函数进行最优化测向选站组网方案的自动标注，获得短波测向样本数据集。

传统的短波测向数据库中存储的是目标信号的全网全站测向记录，首先需要进行最优化选站组网方案的标注，建立从“信号特征”到“最优选站方案”的映射之后，才能作为短波测向灵活组网深度学习训练的样本数据集，但是人工标注耗时费力，也缺乏客观科学性。因此，本实施例以式(4)的“GDOP+测向质量”优化目标函数进行优化，并采用遗传算法求解该目标函数的Pareto最优灵活组网方案，自动、高效地为短波测向数据库中的每个目标信号标注其可供机器学习的灵活组网方案。

“GDOP+测向质量”优化目标函数：

其中，n为测向站点总数，m为并发目标信号总数；A_n×m为表述组网方案的n行m列0-1决策矩阵；A_n×m中的元素a_ij＝1表示把站点i分配至目标信号j，a_ij＝0表示不分配；GDOP(A_n×m)为在A_n×m决策矩阵下，表示站点几何布局的定位精度几何稀释因子GDOP(Geometrical Dilution of Precision，GDOP)，数值越低表示站点的几何布局越好。

GDOP的计算公式(10)推导如下：

设定位系统由n个测向站组成，设其中一个测向站i的示向角为：

其中，(x₀,y₀)为目标信号的二维坐标；(x_i,y_i)为测向站i的二维坐标。

对式(5)求微分，得到式(6)：

其中，r_i为目标与测向站的距离。

将式(6)推广至n个测向站，有如下表示：

dΘ＝HdP (7)

其中，H为观测矩阵。由于，式(7)为超定方程，采用最小二乘法，对其求伪逆矩阵，有：

dP＝(H^TH)^-1H^TdΘ (8)

由此，得到精度衰减矩阵Q在本地坐标系下的表示：

Q＝(H^TH)^-1H^TH(H^TH)^-T (9)

由于各站点之间测向误差相互独立，根据几何精度因子GDOP的定义，计算测向误差与二维坐标位置误差之间的关系，有如下形式：

其中，Error(A_n×m)为在A_n×m决策矩阵下，站点测向质量高低的示向偏差总和，数值越低表示测向质量越好。

站点组合的测向质量计算：

其中，Error为站点组合的示向偏差总和；

为站点i的测角偏差。

步骤S205：选择深度信念网络DBN，利用短波测向样本数据集进行DBN无监督初始化训练和有监督微调训练，基于模拟退火SA算法，对DBN进行基于信息熵和重构误差的网络结构自适应调整，获得均方根误差及重构误差较低的DBN神经网络模型；

所述步骤S205中对DBN进行基于信息熵和重构误差的网络结构自适应调整，包括：

步骤S205.1：输入步骤S204获得的短波测向样本数据集，构造DBN的首层神经元；

步骤S205.2：以上一层的输出作为可视层，根据信息熵计算DBN隐藏层的神经元个数；

步骤S205.3：根据可视层、隐藏层神经元数构造新一层限制玻尔兹曼机RBM；

步骤S205.4：对RBM进行无监督训练并计算重构误差；

步骤S205.5：进行判决，若重构误差大于阈值，表明网络性能低于要求，则以当前的隐藏层作为新RBM的可视层，转至步骤S205.2；若重构误差小于等于阈值，表明当前网络性能符合要求，结束流程，得到网络结构自适应调整的DBN神经网络模型。

步骤S205具体为：

在实现对短波测向数据自动标注的基础上，需要选择合适的神经网络模型对数据样本进行训练、学习，为了寻求最优的网络结构，避免过拟合问题，提高网络的训练精度及收敛性能，本实施例选择特征提取能力更强的深度信念网络DBN(Deep Belief Network，DBN)，并引入信息熵和重构误差，采用模拟退火(Simulate Anneal，SA)算法进行优化，实现式(12)的网络结构自适应的DBN神经网络模型。

网络结构自适应调整的DBN神经网络模型：该模型是在满足基于信息熵的隐层神经元数目下界理论这一约束的基础上，寻求使得重构误差最小化的网络结构。

其中，C为DBN结构，

为所有可行的DBN结构所构成的解空间；R(C)为在结构C下的DBN重构误差；k为DBN中的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)编号，取值范围为1～n的整数，如图3；N_hid(k)为编号为k的RBM的隐藏层节点数；H_viso(v)为编号为k的RBM的输入信息熵。

在RBM中，样本从可视层转移到隐藏层的过程是一种降维的特征提取过程，其目的是通过网络映射用低维度输出向量表征高维度输入样本。这一特征提取过程，从信息论的角度看，是一种信息压缩过程：剔除了输入中的冗余信息，使用更小的编码位数实现了信息的存储。基于信息压缩思想，在进行隐藏层节点设置时，须保证隐藏层输出向量可存储的最大信息量大于或等于可视层输入样本所携带的信息量，才能为信息量的无损传递提供条件，否则必然会导致信息损耗及丢失，最终降低整体网络的预测性能。由此，本实施例引入信息熵作为隐藏层节点数的设计标准。

设可视层节点数为N_viso，设层中第i位节点的激活状态等于0的概率为p_i(0)、等于1的概率为p_i(1)，则可视层整体的信息熵H_viso由式(13)计算：

设隐藏层节点数为N_hid，层中第i位节点激活状态为0的概率是p_i′(0)、为1的概率是p_i′(1)。根据信息熵公式，隐藏层可以表示的最大信息量

在p′_i(0)＝p′_i(1)时达到：

根据分析，应使隐藏层最大信息量大于等于可视层输入信息量，即：

结合式(14)、(15)，有结论：

N_hid≥H_viso (16)

式(16)给出了隐藏层的节点数下界，即隐藏层节点数应大于可视层的输入信息熵。

理论上可采用网络能量作为网络结构自适应设计的优化目标，然而，网络能量的计算复杂度较高，为此，本实施例推导出重构误差与网络能量的相关关系，提出基于重构误差的网络性能度量。

重构误差，是指以训练数据作为初始网络输入，而后根据网络当前概率分布对该输入进行一次Gibbs采样后还原得到的网络反馈值与输入的原数据之间的差异。重构误差R的计算公式为：

其中，T为样本总数，v₀(t)为原输入取值，v(t)为重构后取值。由于输入样本为平稳过程，根据大数定理，当T足够大时有：

其中E(·)为取期望运算；p_v(k)为重构值v为k的概率，即后验概率；

为原输入v₀为k的概率，即先验概率。结合式(17)、(18)、(19)有：

记v的概率分布为p(v)，v₀的概率分布为p(v₀)，记隐藏层神经元取值为h，记h的概率分布为p(h)。由条件概率公式及贝叶斯公式有：

由于p(v₀)为先验概率，因此有p(v₀|h)＝p(v₀)，故式(21)写为：

由于p(v₀)只与样本数据有关、与网络无关，因此根据式(22)得出：

R∝p_v,h(k,h) (23)

同时，根据RBM正则概率公式，p_v,h(k,h)与网络能量L有如下关系：

其中Z为归一化分母，仅由网络参数决定，不存在随机性。因此，根据式(24)有以下推论：

p_v,h(k,h)∝L (25)

结合式(23)、(25)，有结论：重构误差与网络能量具有正相关关系。

R∝p_v,h(k,h)∝L (26)

网络能量的计算公式为：

式中，T为训练样本总数；W_ij为神经元间的映射权值；v_i(t)为可视层神经元取值；h_j(t)为隐藏层神经元取值；a_i为可视层偏置；b_j为隐藏层偏置。

根据式(26)，重构误差与网络能量具有正相关关系，即可以作为网络性能的衡量指标，对比网络能量与重构误差的计算公式，重构误差远比网络能量计算简单，因而把重构误差作为网络结构自适应设计的优化目标。

步骤S206：对于首发或新频目标辐射源信号，进行与步骤S202相同的编码及预处理；

步骤S207：将步骤S206编码及预处理之后的首发或新频目标辐射源信号进行归一化处理，输入步骤S205训练好的DBN神经网络模型，采用深度学习的Softmax多分类处理策略，输出首发或新频目标辐射源信号的测向选站网方案即灵活组网方案。

针对人工难以适应多站广域分布且多目标信号并发时的短波测向选站问题，在前期对短波测向历史数据进行预处理、最优选站组网方案标注、站点测向质量预测、并对已标注样本数据进行有监督和无监督的DBN网络深度学习训练，获得均方根误差及重构误差较低的DBN神经网络模型的基础上，面向首发或新频目标辐射源信号，采用深度学习的Softmax多分类处理策略，快速、准确地推荐短波测向选站组网方案，提高短波测向的科学性和智能化水平。按照该方案执行的目标信号及测向结果将被收集到短波测向数据库中，不断地积累和丰富智能学习的样本数据。

依照本发明的一种基于深度学习的短波测向灵活组网方法，通过基于模糊数学理论和归一化的量化技术，可以使数据集服从均值为0，标准差为1的概率分布，有利于后续进行DBN学习，提高神经网络泛化性能；通过SA优化的基于信息熵和重构误差的DBN结构自适应算法，可以同时决定耦合关联性强的网络深度和节点数，求得性能优秀的网络结构；通过无监督训练对权值阈值进行预调整和有监督训练的误差回传算法对权值进行微调，使得训练的均方根误差低，训练效果越好，网络的拟合性能出色。本发明能够基于人工智能深度学习技术，实现短波测向的灵活组网，提升短波测向精度和时效。

以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于深度学习的短波测向灵活组网方法，其特征在于，包括以下步骤：

步骤1：建立短波测向数据库用于存储短波测向历史数据，所述短波测向历史数据包括测向质量及测向选站组网方案；

步骤2：对短波测向数据库中的短波测向历史数据进行预处理；

步骤3：针对数据预处理之后的短波测向历史数据，为每个目标辐射源信号进行基于贝叶斯神经网络的站点测向质量有效预测；

步骤4：针对预处理之后的短波测向历史数据，为每个目标辐射源信号通过“GDOP+测向质量”优化目标函数进行最优化测向选站组网方案的自动标注，获得短波测向样本数据集；

所述“GDOP+测向质量”优化目标函数为：

其中，n为测向站点总数，m为并发目标信号总数；A_n×m为表述组网方案的n行m列0-1决策矩阵；A_n×m中的元素a_ij＝1表示把站点i分配至目标信号j，a_ij＝0表示不分配；GDOP(A_n×m)为在A_n×m决策矩阵下，表示站点几何布局的定位精度几何稀释因子GDOP，数值越低表示站点的几何布局越好；Error(A_n×m)为在A_n×m决策矩阵下，站点测向质量高低的示向偏差总和，数值越低表示测向质量越好；w₁、w₂分别为GDOP(A_n×m)、Error(A_n×m)的权重；

步骤5：选择深度信念网络DBN，利用短波测向样本数据集进行DBN无监督初始化训练和有监督微调训练，基于模拟退火SA算法，对DBN进行基于信息熵和重构误差的网络结构自适应调整，获得均方根误差及重构误差较低的DBN神经网络模型；

步骤6：对于首发或新频目标辐射源信号，进行与步骤2相同的编码及预处理；

步骤7：将步骤6编码及预处理之后的首发或新频目标辐射源信号进行归一化处理，输入步骤5训练好的DBN神经网络模型，采用深度学习的Softmax多分类处理策略，输出首发或新频目标辐射源信号的测向选站组网方案。

2.根据权利要求1所述的一种基于深度学习的短波测向灵活组网方法，其特征在于，所述步骤2具体为：

采用基于模糊数学的数据预处理方法对短波测向数据库中的短波测向历史数据进行预处理。

3.根据权利要求1所述的一种基于深度学习的短波测向灵活组网方法，其特征在于，所述步骤5中对DBN进行基于信息熵和重构误差的网络结构自适应调整，包括：

步骤5.1：输入步骤4获得的短波测向样本数据集，构造DBN的首层神经元；

步骤5.2：以上一层的输出作为可视层，根据信息熵计算DBN隐藏层的神经元个数；

步骤5.3：根据可视层、隐藏层神经元数构造新一层限制玻尔兹曼机RBM；

步骤5.4：对RBM进行无监督训练并计算重构误差；

步骤5.5：进行判决，若重构误差大于阈值，表明网络性能低于要求，则以当前的隐藏层作为新RBM的可视层，转至步骤5.2；若重构误差小于等于阈值，表明当前网络性能符合要求，结束流程，得到网络结构自适应调整的DBN神经网络模型。

Images